C++实现G2P转换针对OOV词的快速启发式方法咨询

不用硬啃pocketsphinx的繁琐配置，也不用费劲交叉编译Rust写的G2P库、绑定Python环境，直接按分层逻辑搭最小可用版本，全程无重型依赖，一下午就能写完跑通，足够支撑前期模块联调，后续再逐块迭代精度就行。

1. 非同音词词典匹配（覆盖绝大多数常用场景） #

• 直接用开源的CMU发音词典纯文本版本，不需要任何格式转换，启动时一次性加载到std::unordered_map<std::string, std::vector<std::string>>结构里，key统一转小写做归一化，value存对应的音素序列。
• 加载时提前拆分多发音条目，只有单条发音的词命中就直接返回结果，这部分逻辑零额外计算开销，查询速度完全能满足实时要求，整个模块编译后只有几百KB，不需要链接任何第三方库。

2. 同音词简易消歧（满足当前阶段精度要求） #

• 现阶段不用集成完整词性标注工具，先做高频规则兜底：整理Top100个最常见的同音异义词（比如read/record/live/lead这类日常高频出现的词），给每个词标注最高频的默认发音，如果上游模块已经传了词性标注结果，就加个简单的词性到发音的映射表，比如动词形式的record返回重音在第二音节的发音，名词形式返回重音在第一音节的发音。
• 没有词性输入的时候直接返回最高频发音就行，不用纠结准确率，先保证流程不阻塞，后续要优化的时候直接把这层逻辑替换成轻量POS标注库即可，对外接口不用改。

3. OOV词规则兜底（快速兼容未登录词） #

• 现阶段不用部署深度学习模型，直接写启发式字素映射规则就行：先整理200条左右常见的固定字母组合发音规则（比如ph/igh/tion/ough/kn这类有固定发音的组合），按组合长度从长到短排序，扫描OOV单词的时候做最长前缀匹配，匹配到对应组合就替换成预设音素，剩下没匹配到的单个字母直接映射到默认发音即可。
• 这套规则跑出来的OOV发音虽然精度有限，但足够支撑前期联调，后续要升级精度的时候，直接把这部分替换成ONNX Runtime加载的量化小型G2P模型就行，接口完全兼容，不用改上层调用逻辑。

整个最小实现代码量能控制在1000行C++以内，没有任何外部依赖，编译后直接静态链接进现有项目就行，不用折腾额外的环境配置，等其他关联模块全部跑通之后，再逐模块替换成高精度实现即可，完全不需要一开始就追求完美的准确率。

内容的提问来源于stack exchange，提问作者Tom Huntington